تشخیص به موقع سرطان امری حیاتی در درمان بیماران سرطانی می باشد. سخت و زمان بر بودن روندهای تشخیصی معمولی از یک سو و توسعه مداوم نرم افزار و سخت افزار کامپیوتر از سوی دیگر، توجه دانشمندان علوم کامپیوتر و زیست شناس را برای استفاده از روش های یادگیری ماشین در تسریع تشخیص سرطان به خود جلب نموده است. تاکنون روش های طبقه بندی مختلفی برای پیش بینی سرطان ارائه شده اند که هر کدام به تنهایی مزایا و معایب مختص به خود را دارند. یک روش برای بهبود عملیات پیش بینی، مشارکت هم زمان چندین مدل مختلف است. هدف از این مقاله، بررسی اعمال هم زمان چندین مدل یادگیری ماشین مختلف روی داده های ترنسکریپتوم RNA-Seq جهت محاسبه پیش بینی اولیه سرطان و استفاده از یادگیری ژرف برای تجمیع نتایج حاصله جهت پیش بینی نهایی سرطان می باشد. به این منظور ابتدا طی یک عملیات پیش پردازشی روی داده های حاوی اطلاعات ژنوم افراد، یک سری ویژگی مطلوب به عنوان داده های ورودی انتخاب می شوند و سپس چندین طبقه بند مختلف فرضیه های متفاوت را جهت پیش بینی اولیه سرطان می سازند. با اعمال این فرضیه ها روی داده های ورودی پیش بینی های اولیه سرطان به دست می آیند. با به کارگیری این پیش بینی ها به عنوان ورودی یک شبکه عصبی، پیش بینی نهایی سرطان به دست می آید. برای بررسی کارایی، الگوریتم فوق روی سه مجموعه داده از بافت های ریه، معده و سینه آزمایش شد و نتایج به صورت نمودار گزارش شده است. نتایج عددی بیانگر دقت پیش بینی بسیار بالا و سرعت تشخیص مناسب روش می باشد.
